[发明专利]一种量子图卷积神经网络处理图数据的方法

权利要求书

1.一种量子图卷积神经网络处理图数据的方法，其特征在于，包括如下步骤：

S1：获取机器学习中图像处理任务的图像数据，识别图像的图结构得到输入图数据，建立图像处理数据集，包括输入图数据和其对应的目标输出，并将所述数据集划分为训练集和测试集；

S2：对数据集中的输入图数据进行预处理和对输入图数据中的节点和边进行统一编码；

S3：构建量子图卷积神经网络模型，包括量子比特输入模块、量子图卷积模块、量子池化模块、量子比特测量模块和网络优化更新模块；所述量子比特输入模块用于将机器学习任务的输入图数据信息制备为量子比特；所述量子图卷积模块用于构建量子电路，并根据输入图数据的结构特点对制备的量子比特施加多个受控量子门操作，改变量子比特的量子态，实现对输入图数据的节点的特征提取；所述量子池化模块用于对所述量子图卷积模块的特征提取结果进行量子测量操作，并根据测量结果，利用受控量子门对量子比特施加不同的操作使部分量子比特发生坍缩，所述部分量子比特的量子态包含的信息通过受控量子门与其相邻量子比特所包含的信息进行交互；所述量子比特测量模块对经过所述量子池化模块处理后剩下的量子比特施加测量操作以获得期望值，并将所述期望值映射到所述量子图卷积神经网络模型的输出，作为机器学习任务的输出结果；所述网络优化更新模块用于分析所述量子图卷积神经网络模型的输出结果与输入图数据对应的目标输出的误差，并根据误差分析结果利用优化算法更新所述量子图卷积神经网络模型中受控量子门的序列及其参数；

S4：利用步骤S2预处理后的训练集对所构建的量子图卷积神经网络模型进行迭代训练，直至满足机器学习任务所设置的阈值条件后终止训练，获得训练后的量子图卷积神经网络模型；

S5：利用步骤S2预处理后的测试集验证训练后的量子图卷积神经网络模型的性能；

步骤S2具体过程为：

1）对输入图数据的特征进行预处理，包括：对含有缺失值、格式不一致、逻辑错误和非实际需求问题的脏数据进行预处理；将不满足维度要求的输入图数据进行维度扩充，以使得输入图数据的维度与量子态可编码的维度相等；对输入图数据进行归一化处理，使输入图数据各个分量的平方和为1，满足量子态系数的归一化条件；

2）采用深度优先的遍历算法对输入图数据中的节点和边进行统一编码。

2.根据权利要求1所述的方法，其特征在于，所述量子比特输入模块采用幅值编码的方式将输入图数据信息制备为量子比特的量子态，然后依据目标量子态设计量子门序列，将量子比特由初始量子态变换为目标量子态。

3.根据权利要求1所述的方法，其特征在于，所述量子图卷积模块运行过程如下：

所述量子图卷积模块构建量子电路，将输入图数据的拓扑结构直接在量子电路上表达，量子电路中的量子门表示输入图数据节点和边的关系，节点之间边的存在性决定两个节点是否进行卷积操作；利用互换量子门保证量子电路中双量子比特量子门施加于相邻的单量子比特上，利用量子门对连接的量子比特进行操作，改变量子比特的量子态，实现对输入图数据节点特征的提取；

其中，量子门包含可调参数θ，改变可调参数θ能够改变对应量子门对量子比特所施加的操作，带有可调参数的量子门包括R_x(θ)旋转量子门，R_y(θ)旋转量子门和R_z(θ)旋转量子门，其表达式分别为：

其中，i为复数单位；

所述量子图卷积模块包括一个或多个量子图卷积层，一个或多个量子图卷积层的层数表示输入图数据中节点聚合其邻居节点的阶数，相同层的双量子比特量子门的参数相同，不同层的双量子比特量子门的参数不同。

4.根据权利要求1所述的方法，其特征在于，所述量子池化模块包括受控非门、旋转量子门和逆旋转量子门。